A maior parte dos integrantes veio de Santa Catarina, seguida do Rio de Janeiro. Não é muita surpresa, já que representam os centros (e pesquisadores) que começaram com o PELD.
O estado de origem dos partipantes varia entre as ilhas, observa-se uma dominência dos estados de Santa Catarina e Rio de Janeiro.
Cada ilha possui um perfil de visitantes com formação diferente quando analisadas seperadamente. Analisando-se todas as ilhas agrupadas, percebe-se uma maioria de estudantes de mestrado e doutorado. De 2017 a 2020 identifica-se um aumento na proporção de participantes classificados como profissionais, estes são compostos por pós-docs e visitantes.
No geral, observa-se uma tendência de uma maioria de participantes masculinos nas primeiras expedições. Esta razão sexual apresenta um tendência de inversão com o passar dos anos.
Razão sexual está relativamente equilibrada em todas as ilhas, menos em Fernando de Noronha. Lá os enviados são predominantemente homens e essa diferença é significativa.
Olhando para a probabilidade de mulheres (0) ou homens (1) serem enviados para as expedições, as expedições atingiram um certo equilíbrio recentemente.
Por fim, pra discutir representatividade étnica foi utilizada a escala de FitzPatrick para classificar as pessoas em 6 tons de pele, refletindo a probabilidade de adquirir queimaduras ou se bronzear quando exposto ao Sol. Essa classificação não inclui a autoidentificação das pessoas e ignora o histórico social, mas é fácil de entender e aplicar.
O tom de pele das pessoas nas expedições está estável e parece ser fortemente enviesado para o lado mais claro do espectro. Apenas duas pessoas possuem tons de pele mais escuros, mas ninguém perto do extremo de melanina.
Conclusões
As pessoas que participam do Peld são majoritariamente alunos de pós-graduação dos laboratórios onde o programa começou. Esse viés é refletido nos objetos de estudo, que em sua maioria (~80%) abordam peixes recifais. O programa está próximo de atingir a igualdade de gênero nas expedições, mas atende principalmente pessoas de tons de pele mais claros. Acredito que aqui temos um viés geográfico (população negra em Santa Catarina é muito pequena) e social (desigualdade social do Rio dificulta que negros entrem no ensino superior), mas que podem ser trabalhados. Do ponto de vista social, o PELD ILOC está bom, mas pode ficar ainda melhor.
Metodologia
Informações retiradas dos dados disponíveis na plataforma Lattes de cada participante.
Autores
---
title: "Perfil dos Participantes nas Expedições - PELD ILOC"
output:
flexdashboard::flex_dashboard:
social: menu
source_code: embed
navbar:
- { icon: "fa-home", href: "https://peld-iloc.github.io/dashboards_peld-iloc/", align: right }
storyboard: true
---
```{r setup, include=FALSE}
library(tidyverse)
library(flexdashboard)
library(readr)
library(reshape2)
library(leaflet)
library(ggplot2)
library(vegan)
library(plotly)
library(lubridate)
library(dplyr)
library(RColorBrewer)
library(magrittr)
library(fontawesome)
#remotes::install_github("mitchelloharawild/icons")
library(icons)
#icons::download_octicons()
#icons::download_fontawesome()
icon_mail <- icons::fontawesome$solid$`envelope-square`
icon_git <- icons::fontawesome$brands$github
icon_rg <- icons::fontawesome$brands$researchgate
icon_lattes <- icons::academicons$lattes
```
```{r dataread, include = FALSE}
Dt <- readxl::read_excel("~/Academico/POS-DOC_PELDILOC/dashboards_peld-iloc/data/Equipes_datas_geral_peld.xlsx")
Dt$Count <- 1
head(Dt)
```
### **Local de Origem** - Estado de origem dos participantes das expedições do PELD ILOC.
```{r origem}
Dt$Estado2 <- Dt$Estado
Dt$Estado2[Dt$Estado2 %in% c("Alagoas", "Ceará", "Noronha",
"Paraíba", "Rio_Grande_do_Norte")] <- "Nordeste"
p1 = Dt %>%
#Sum records within states
dplyr::group_by(Local, Ano, Estado2) %>%
dplyr::summarise(n = sum(Count)) %>%
#Change labels
plyr::mutate(Estado2 = plyr::revalue(
Estado2, c('Espírito_Santo' = "Espírito Santo",
'Nordeste' = "Nordeste",
'Rio_de_Janeiro' = "Rio de Janeiro",
'Santa_Catarina' = "Santa Catarina",
"São_Paulo" = "São Paulo"))) %>%
#Change order
plyr::mutate(Estado2 = forcats::fct_relevel(
Estado2, c("Nordeste","Espírito Santo", "Rio de Janeiro",
"Santa Catarina", "São Paulo"))) %>%
#Call a new barplot
ggplot(aes(x = Ano, y = n, fill = Estado2)) +
geom_bar(stat = "identity", position = "fill") +
#Change color palette
scale_fill_viridis_d("Origem", direction = -1) +
#Adit background and axes
theme_bw() + theme(text = element_text(size = 10)) + labs(y = "Proporção do pessoal", x = 'Anos') +
scale_x_continuous(n.breaks = 8) #+
# #Split between Islands
# facet_wrap(vars(Local), scales = 'free')
ggplotly(p1) %>% plotly::config(displayModeBar = F)
```
***
A maior parte dos integrantes veio de Santa Catarina, seguida do Rio de Janeiro. Não é muita surpresa, já que representam os centros (e pesquisadores) que começaram com o PELD.
### **Local de Origem** - Estado de origem dos participantes das expedições do PELD ILOC, **análise por Ilhas**
```{r origem island}
Dt$Estado2 <- Dt$Estado
Dt$Estado2[Dt$Estado2 %in% c("Alagoas", "Ceará", "Noronha",
"Paraíba", "Rio_Grande_do_Norte")] <- "Nordeste"
p2 = Dt %>%
#Sum records within states
dplyr::group_by(Local, Ano, Estado2) %>%
dplyr::summarise(n = sum(Count)) %>%
#Change labels
plyr::mutate(Estado2 = plyr::revalue(
Estado2, c('Espírito_Santo' = "Espírito Santo",
'Nordeste' = "Nordeste",
'Rio_de_Janeiro' = "Rio de Janeiro",
'Santa_Catarina' = "Santa Catarina",
"São_Paulo" = "São Paulo"))) %>%
#Change order
plyr::mutate(Estado2 = forcats::fct_relevel(
Estado2, c("Nordeste","Espírito Santo", "Rio de Janeiro",
"Santa Catarina", "São Paulo"))) %>%
#Call a new barplot
ggplot(aes(x = Ano, y = n, fill = Estado2)) +
geom_bar(stat = "identity", position = "fill") +
#Change color palette
scale_fill_viridis_d("Origem", direction = -1) +
#Adit background and axes
theme_bw() + theme(text = element_text(size = 8)) + labs(y = "Proporção do pessoal", x = 'Anos') +
scale_x_continuous(n.breaks = 8) +
facet_wrap(vars(Local), scales = 'free')
ggplotly(p2) %>% plotly::config(displayModeBar = F)
```
***
O estado de origem dos partipantes varia entre as ilhas, observa-se uma dominência dos estados de Santa Catarina e Rio de Janeiro.
### **Educação** - Nível de educação dos participantes nas expedições.
```{r education }
p3 =Dt %>%
#Sum records
dplyr::group_by(Local, Ano, Formacao) %>%
dplyr::summarise(n = sum(Count)) %>%
#Change labels
plyr::mutate(Formacao = plyr::revalue(
Formacao, c("graduada" = "Graduação",
"graduanda" = "Graduação",
'mestre' = "Mestrado",
'mestrando' = "Mestrado",
'Mestre' = "Mestrado",
"doutorando" = "Doutorado",
'Professor' = "Professor",
"Pos-doc" = "Profissional",
"Visitante" = "Profissional"))) %>%
plyr::mutate(Formacao = forcats::fct_relevel(
Formacao, c("Graduação","Mestrado", "Doutorado",
"Profissional", "Professor"))) %>%
#Call a new barplot
ggplot(aes(x = Ano, y = n, fill = Formacao)) +
geom_bar(stat = "identity", position = "fill") +
#Change color palette
scale_fill_viridis_d("Formação") +
#Adit background and axes
theme_bw() +theme(text = element_text(size = 10)) + labs(y = "Proporção do pessoal", x = 'Anos') +
scale_x_continuous(n.breaks = 8) #+
# # Split between Islands
# facet_wrap(vars(Local), scales = 'free')
ggplotly(p3) %>% plotly::config(displayModeBar = F)
```
***
Cada ilha possui um perfil de visitantes com formação diferente quando analisadas seperadamente. Analisando-se todas as ilhas agrupadas, percebe-se uma maioria de estudantes de mestrado e doutorado. De 2017 a 2020 identifica-se um aumento na proporção de participantes classificados como profissionais, estes são compostos por pós-docs e visitantes.
### **Educação** - Nível de educação dos participantes nas expedições, **analisados por Ilhas**
```{r education island }
p4 = Dt %>%
#Sum records
dplyr::group_by(Local, Ano, Formacao) %>%
dplyr::summarise(n = sum(Count)) %>%
#Change labels
plyr::mutate(Formacao = plyr::revalue(
Formacao, c("graduada" = "Graduação",
"graduanda" = "Graduação",
'mestre' = "Mestrado",
'mestrando' = "Mestrado",
'Mestre' = "Mestrado",
"doutorando" = "Doutorado",
'Professor' = "Professor",
"Pos-doc" = "Profissional",
"Visitante" = "Profissional"))) %>%
plyr::mutate(Formacao = forcats::fct_relevel(
Formacao, c("Graduação","Mestrado", "Doutorado",
"Profissional", "Professor"))) %>%
#Call a new barplot
ggplot(aes(x = Ano, y = n, fill = Formacao)) +
geom_bar(stat = "identity", position = "fill") +
#Change color palette
scale_fill_viridis_d("Formação") +
#Adit background and axes
theme_bw() + theme(text = element_text(size = 8)) + labs(y = "Proporção do pessoal", x = 'Anos') +
scale_x_continuous(n.breaks = 8) +
facet_wrap(vars(Local), scales = 'free')
ggplotly(p4) %>% plotly::config(displayModeBar = F)
```
### **Participação por Gênero**: Proporções de gênero dos participantes das expedições do PELD ILOC
```{r gender}
p5 = Dt %>%
#Sum records within states
dplyr::group_by(Local, Ano, Sexo) %>%
dplyr::summarise(n = sum(Count)) %>%
#Change labels
plyr::mutate(Sexo = plyr::revalue(
Sexo, c('F' = "Feminino",
'M' = "Masculino"))) %>%
#Call a new barplot
ggplot(aes(x = Ano, y = n, fill = Sexo)) +
geom_bar(stat = "identity", position = "fill") +
#Change color palette
scale_fill_viridis_d("Sexo", direction = -1) +
#Adit background and axes
theme_bw() + theme(text = element_text(size = 8)) + labs(y = "Proporção do pessoal", x = 'Anos') +
scale_x_continuous(n.breaks = 8) #+
# #Split between Islands
# facet_wrap(vars(Local), scales = 'free')
ggplotly(p5) %>% plotly::config(displayModeBar = F)
```
***
No geral, observa-se uma tendência de uma maioria de participantes masculinos nas primeiras expedições. Esta razão sexual apresenta um tendência de inversão com o passar dos anos.
### **Participação por Gênero** - Proporções de gênero dos participantes das expedições do PELD ILOC **nas diferentes ilhas**
```{r gender island}
p6 = Dt %>%
#Sum records within states
dplyr::group_by(Local, Ano, Sexo) %>%
dplyr::summarise(n = sum(Count)) %>%
#Change labels
plyr::mutate(Sexo = plyr::revalue(
Sexo, c('F' = "Feminino",
'M' = "Masculino"))) %>%
#Call a new barplot
ggplot(aes(x = Ano, y = n, fill = Sexo)) +
geom_bar(stat = "identity", position = "fill") +
#Change color palette
scale_fill_viridis_d("Sexo", direction = -1) +
#Adit background and axes
theme_bw() + theme(text = element_text(size = 8)) + labs(y = "Proporção do pessoal", x = 'Anos') +
scale_x_continuous(n.breaks = 8) +
facet_wrap(vars(Local), scales = 'free')
ggplotly(p6) %>% plotly::config(displayModeBar = F)
```
***
Razão sexual está relativamente equilibrada em todas as ilhas, menos em Fernando de Noronha. Lá os enviados são predominantemente homens e essa diferença é significativa.
### **Tendências de participação por Gênero** - Probabilidade de participações por gênero das expedições do PELD ILOC
```{r gender regression}
Dt %>%
# #Change labels
plyr::mutate(Sexo2 = as.numeric(plyr::revalue(
Sexo, c('F' = 1,
'M' = 0)))) %>%
#Call a new barplot
ggplot(aes(x = Ano, y = Sexo2)) +
geom_point(aes(color = Local),
position = position_jitter(width = .2, height = .03)) +
#Change color palette
scale_color_viridis_d("Ilha", direction = -1) +
#Adit background and axes
theme_bw() + theme(text = element_text(size = 10)) + labs(y = "Proporção de Mulheres", x = 'Anos') +
scale_x_continuous(n.breaks = 8) +
coord_cartesian(ylim = c(0,1)) +
#Add trend
geom_smooth(method = "glm",
method.args = list(family = "binomial"),
se = TRUE) +
geom_smooth(formula = y ~ splines::ns(x, 6), se = FALSE,
method = "glm", method.args = list(family = "binomial"),
color = "darkgrey") +
geom_hline(yintercept = .5) #+
# by island
#facet_wrap(vars(Local), scales = 'free')
```
***
Olhando para a probabilidade de mulheres (0) ou homens (1) serem enviados para as expedições, as expedições atingiram um certo equilíbrio recentemente.
### **Tendências de participação por Gênero, análise por Ilhas** - Probabilidade de participações por gênero das expedições do PELD ILOC, **analisados por ilhas**
```{r gender regression island}
Dt %>%
# #Change labels
plyr::mutate(Sexo2 = as.numeric(plyr::revalue(
Sexo, c('F' = 1,
'M' = 0)))) %>%
#Call a new barplot
ggplot(aes(x = Ano, y = Sexo2)) +
geom_point(aes(color = Local),
position = position_jitter(width = .2, height = .03)) +
#Change color palette
scale_color_viridis_d("Ilha", direction = -1) +
#Adit background and axes
theme_bw() + theme(text = element_text(size = 8)) + labs(y = "Proporção de Mulheres", x = 'Anos') +
scale_x_continuous(n.breaks = 8) +
coord_cartesian(ylim = c(0,1)) +
#Add trend
geom_smooth(method = "glm",
method.args = list(family = "binomial"),
se = TRUE) +
geom_smooth(formula = y ~ splines::ns(x, 6), se = FALSE,
method = "glm", method.args = list(family = "binomial"),
color = "darkgrey") +
geom_hline(yintercept = .5) +
facet_wrap(vars(Local), scales = 'free')
```
### **Tom de Pele**: Análise da representatividade étnica dos participantes nas expedições do PELD ILOC
```{r skin}
skin <- c("#3b2219ff", "#a16e4bff", "#d4aa78ff", "#e6bc98ff", "#ffe7d1ff")
#ceate a raster Grob
g <- grid::rasterGrob(scales::alpha(skin, .5),
width=unit(1,"npc"), height = unit(1,"npc"),
interpolate = TRUE)
Dt %>%
#Sum records
dplyr::group_by(Local, Ano, Skin_Tone) %>%
dplyr::summarise(n = sum(Count)) %>%
#Call a new plot
ggplot(aes(x = Ano, y = Skin_Tone)) +
# Add background
annotation_custom(g, xmin=-Inf, xmax=Inf, ymin=-Inf, ymax=Inf) +
#Add points
geom_point(position = position_jitter(width = .2, height = .03),
color = "black") +
# #Change points color
# scale_color_gradientn("Cor-de-Pele", colors = skin, limits = c(6, 1)) +
#Adit background and axes
theme_bw() + theme(text = element_text(size = 10)) + labs(y = "Tom de pele", x = 'Anos') +
scale_x_continuous(n.breaks = 8) + scale_y_continuous(n.breaks = 6) +
geom_hline(yintercept = 3.5, linetype = 2) +
coord_cartesian(ylim = c(1,6)) +
#Add trend
geom_smooth(method = "glm",
method.args = list(family = "poisson"),
se = FALSE, formula = y ~ splines::ns(x, 4)) #+
# #Split between Islands
# facet_wrap(vars(Local), scales = 'free')
```
***
Por fim, pra discutir representatividade étnica foi utilizada a [escala de FitzPatrick](https://en.wikipedia.org/wiki/Fitzpatrick_scale) para classificar as pessoas em 6 tons de pele, refletindo a probabilidade de adquirir queimaduras ou se bronzear quando exposto ao Sol. Essa classificação não inclui a autoidentificação das pessoas e ignora o histórico social, mas é fácil de entender e aplicar.
O tom de pele das pessoas nas expedições está estável e parece ser fortemente enviesado para o lado mais claro do espectro. Apenas duas pessoas possuem tons de pele mais escuros, mas ninguém perto do extremo de melanina.
### **Tom de pele por Ilhas** - Análise da representatividade étnica dos participantes nas expedições do PELD ILOC **analisados por ilhas**
```{r skin island}
skin <- c("#3b2219ff", "#a16e4bff", "#d4aa78ff", "#e6bc98ff", "#ffe7d1ff")
#ceate a raster Grob
g <- grid::rasterGrob(scales::alpha(skin, .5),
width=unit(1,"npc"), height = unit(1,"npc"),
interpolate = TRUE)
Dt %>%
#Sum records
dplyr::group_by(Local, Ano, Skin_Tone) %>%
dplyr::summarise(n = sum(Count)) %>%
#Call a new plot
ggplot(aes(x = Ano, y = Skin_Tone)) +
# Add background
annotation_custom(g, xmin=-Inf, xmax=Inf, ymin=-Inf, ymax=Inf) +
#Add points
geom_point(position = position_jitter(width = .2, height = .03),
color = "black") +
# #Change points color
# scale_color_gradientn("Cor-de-Pele", colors = skin, limits = c(6, 1)) +
#Adit background and axes
theme_bw() + theme(text = element_text(size = 8)) + labs(y = "Tom de pele", x = 'Anos') +
scale_x_continuous(n.breaks = 8) + scale_y_continuous(n.breaks = 6) +
geom_hline(yintercept = 3.5, linetype = 2) +
coord_cartesian(ylim = c(1,6)) +
#Add trend
geom_smooth(method = "glm",
method.args = list(family = "poisson"),
se = FALSE, formula = y ~ splines::ns(x, 4)) +
facet_wrap(vars(Local), scales = 'free')
```
***
**Conclusões**
As pessoas que participam do Peld são majoritariamente alunos de pós-graduação dos laboratórios onde o programa começou. Esse viés é refletido nos objetos de estudo, que em sua maioria (~80%) abordam peixes recifais. O programa está próximo de atingir a igualdade de gênero nas expedições, mas atende principalmente pessoas de tons de pele mais claros. Acredito que aqui temos um viés geográfico (população negra em Santa Catarina é muito pequena) e social (desigualdade social do Rio dificulta que negros entrem no ensino superior), mas que podem ser trabalhados. Do ponto de vista social, o PELD ILOC está bom, mas pode ficar ainda melhor.
**Metodologia**
Informações retiradas dos dados disponíveis na plataforma Lattes de cada participante.
**Autores**
Grabriel Garcia [`r icon_mail`](mailto:gasagarcia@gmail.com) [`r icon_rg`]() [`r icon_lattes`]()
Aquisição e análise dos dados
Thiago Cesar Lima Silveira [`r icon_mail`](mailto:silveira.tcl@gamil.com) [`r icon_git`](https://github.com/silveiratcl) [`r icon_rg`](https://www.researchgate.net/profile/Thiago-Cesar-Silveira) [`r icon_lattes`](http://lattes.cnpq.br/5960267776845701)
Desenvolvimento do dashboard